復雜條件下MHT方法的濾波器選擇

陳春風，駱文成

中航工業雷達與電子研究院，江蘇 無錫 214063

復雜條件下MHT方法的濾波器選擇

陳春風，駱文成

中航工業雷達與電子研究院，江蘇 無錫 214063

1 引言

低頻段雷達，例如米波雷達具有強電磁環境干擾，檢測概率低、數據率低、觀測精度低而且雜波密集的復雜環境，在此條件下的目標跟蹤，還缺少系統深入的研究。多假設（MHΤ）算法是由Reid[1]于1978年提出的，即多假設跟蹤（Multiple Hypotheses Τracking）算法是以“全鄰”最優濾波器和bar-shalom提出的聚為基礎，是公認的無論跟蹤精度還是正確關聯率相對于JPDA算法更優秀的多目標跟蹤算法。

本文通過MHΤ方法的得分函數來對不同濾波器進行性能判斷，并通過實際跟蹤仿真分析，來進一步證明此濾波器更適合MHΤ算法。通過基于多目標跟蹤仿真得出，LCKF-MHΤ方法更適合于MHΤ跟蹤。

2 基于MHT的濾波器得分函數

得分函數是為了評價航跡關聯的點跡的真實可能性，即下一時刻點跡屬于這條航跡的概率，需要的評價函數。而得分函數是由Kalman理論得出的良好的評價點跡形成航跡置信度的函數。并且航跡評價也是多假設的關鍵技術。如何有效地計算航跡的得分，是可靠刪除虛假航跡而確認真實航跡的關鍵。設計一個適當的航跡評價函數，對于減小MHΤ一類的算法的計算量，提高跟蹤性能將產生至關重要的影響。

由卡爾曼濾波理論可以設Z(k)服從參數ε和S的正態分布，即：Z(k)～N[ε，S]，其中，ε為一步預測誤差，S為新息協方差，是卡爾曼預測不確定性的一個概率意義上的評價。

航跡的置信度由遞歸累積產生，每一條航跡的置信度等于它的上一次的值加上因為數據關聯產生的置信度增加量DLR(k)[2]。航跡的初始值為：DLR(k)由下式給出：

其中，PF為虛警概率；βFΤ為虛警的概率密度；βNΤ為新目標的概率密度；V為波門的面（體）積；ν(k+1)為新息；M為維數；ln為以e為底數的對數。

由此看出，預測的精確與穩定與否影響到落入波門概率和得分的準確度，而得分函數影響MHΤ算法的跟蹤性能。現有的濾波方法較多，在這么多濾波器中如何選擇適合低跟蹤精度，高虛警率的MHΤ算法是個棘手的問題，所以需要對濾波器的得分函數的穩定性進行仿真，來尋找更適合MHΤ方法的濾波器。

3 濾波器的MHT得分仿真分析

濾波器性能的好壞對跟蹤性能起著基礎的作用，并且極大地影響到目標跟蹤的精度、關聯正確率、計算量等跟蹤效果。下面就針對多目標跟蹤的常用算法進行仿真分析，從而對濾波器在某環境下的性能有正確的了解，為多目標跟蹤的實現奠定基礎[3]。

得分函數是MHΤ算法用于衡量一個航跡的好壞的標準，得分評價的好壞直接影響到航跡的正確跟蹤和正確的關聯在雜波密度較大、測量偏差大的情況下的測量值。較差的評價函數可能使得航跡組合爆炸或跟蹤丟失。

下面對幾種濾波器進行仿真，并通過得分函數對濾波器性能進行分析：

（1）直線運動目標：目標的仿真圖如圖1所示。

圖1 航跡模擬圖

考慮對一個在平面內作常速度運動的目標進行跟蹤，目標的初始位置（40 km，－40 km），速度35 m/s，運動在直角坐標系下角度為40°，則初始速度在x，y的分量為（26.812 m/s，22.498 m/s），位于坐標原點的多普勒雷達以100（s/次）的采樣周期，角度測量誤差的標準差和距離測量誤差的標準差分別為σθ=2°，σr=2 000 m。狀態噪聲為Qr=0.1。

下面對這四種濾波器進行2 000次蒙特卡洛仿真，航跡是如上的航跡。求距離均方根誤差，得到的仿真結果如圖2所示。角度均方根誤差仿真圖如圖3所示。

圖2 距離均方根誤差仿真圖

圖3 角度均方根誤差仿真圖

從以上的圖2、3仿真結果可以看出，在角度和距離測量誤差較大的情況下，卡爾曼濾波器對于徑向距離的估計誤差較大，而線性補償的卡爾曼濾波較普通直角坐標系下的卡爾曼濾波效果較好，而擴展卡爾曼濾波器對于距離估計比前兩者效果更好，比較適合于在測量誤差較大的遠距離跟蹤系統中應用；由圖3可以看出，這四種算法的角度估計性能差不多。不敏卡爾曼濾波的角度估計效果較前三種方法好，但并不明顯，并且卡爾曼濾波與補償卡爾曼濾波效果基本一樣，擴展卡爾曼濾波效果最好。

得分函數隨目標運動的變化如圖4所示。

圖4 得分函數隨目標運動的變化

（2）機動目標：目標并不是那么理想地做直線運動，當目標在雷達范圍內做曲線運動時，需要濾波器具有跟蹤非線性航跡的性能，并且雷達有時候精度很低，當回波測量值測量精度較低的情況下，某些偏離較大的測量值并不能代表目標機動或后驗概率為目標機動的概率很低，在加上雷達周期較長，運算量較大，不適合采用CA、CV機動模型的濾波器。本仿真目的在于驗證濾波器對于曲線航跡的得分判斷效果。

考慮對一個在平面內作曲線運動的目標進行跟蹤，目標的初始位置（1 km，20 km），運動方程為X=2t，Y= 20cos(t/20)，單位km。位于坐標原點的多普勒雷達以100（s/次）的采樣周期，角度測量誤差的標準差和距離測量誤差的標準差分別為σθ=2°，σr=2 000 m。狀態噪聲為Qr=0.1。

曲線航跡模擬生成如圖5所示。

圖5 曲線航跡模擬生成

下面對這四種濾波器進行1 000次蒙特卡洛仿真，航跡如上，求距離均方根誤差，得到的仿真結果如圖6所示。

圖6 KF、EKF、LCKF、UKF距離RMS

角度均方根誤差如圖7所示。

圖7KF、EKF、LCKF、UKF角度RMS

從圖6、7仿真結果可以看出，在角度和距離測量誤差較大的情況下，卡爾曼濾波器對于徑向距離的估計誤差較大，而線性補償的卡爾曼濾波較普通直角坐標系下的卡爾曼濾波效果較好，由于角度和距離測量誤差較大，不敏卡爾曼濾波性能最差，而擴展卡爾曼濾波器對于距離估計比前兩者效果更好，比較適合于在測量誤差較大的遠距離跟蹤系統中應用；由圖中可以看出，這四種算法的角度估計性能差不多。在目標做曲線運動時，角跟蹤誤差加大，但在允許范圍內。

得分函數隨目標運動的變化如圖8所示。

圖8 得分函數隨目標運動的變化

通過對得分函數的分析，LCKF和UKF明顯優于KF和EKF，圖2和圖3表明，LCKF測距精度相對更好，并且圖4表明LCKF與UKF都在跟蹤步數增加時沒有明顯的得分下降的情況，適合于長時間跟蹤。LCKF起始階段得分較高，若航跡評價機制確認航跡得分固定，更容易實現快速航跡起始。

4 多假設算法及仿真分析

4.1 面向航跡的多假設方法

與傳統多假設算法相比，面向航跡多假設算法在處理一周期數據之后保留的是航跡。它的主要過程是在通過卡爾曼濾波器進行航跡預測之后，進行數據關聯形成航跡，進行第一次航跡刪除后，在剩下的航跡的基礎上形成假設，進行假設刪除，然后進行全局航跡刪除，由于具有多重刪除，使得算法更穩定。基于航跡的MHΤ算法的典型邏輯流程圖如圖9所示[4]。

圖9 面向航跡的多目標跟蹤流程

4.2 基于航跡的MHT算法仿真實現的流程

如圖10所示，跟蹤起始采用兩點起始法，編程算法中，航跡起始采用2點起始，如果航跡已經大于等于2點，那么這條航跡可以進行濾波預測，為下一個時刻關聯點跡做準備，且關聯采用橢圓波門。將航跡分為暫時航跡和確認航跡。暫時航跡是可能成為真實目標軌跡的那些待定航跡，而確認航跡是指已經過確認在大概率下對應于真實目標軌跡的那些航跡。暫時航跡如果得分夠高就轉為確認航跡，暫時航跡與確認航跡形成過程中都會產生冗余，如果兩條航跡相似度大于一定值，那么就將得分低的刪除。并且將得分加到另一條沒刪除的航跡上。航跡確認后可以進行聚類假設，這些都是按照前面講的聚類假設方法完成的，最后進行航跡刪除邏輯，刪除航跡的條件如下：

（1）航跡速度過大，超出可能范圍。

（2）航跡停止或速度太小。

（3）丟失點跡過多，一般丟失2～3點刪除。

（4）得分太低。

（5）假設中得分低的且較短長度的航跡競爭失敗。

程序還包括航跡檔案的建立、刪除、合并，最終由c輸出到dat文件，通過Matlab讀取顯示并與真實航跡比較判斷跟蹤性能丟失次數等。

4.3 MHT算法在不同濾波器下的仿真分析

KF與LCKF用在MHΤ中應用效果比較如圖11所示。

圖10 跟蹤仿真流程圖

圖11 仿真航跡圖

圖11為仿真目標勢態圖，KF-MHΤ與LCKF-MHΤ的仿真采用并行10條航跡，假定10個目標都做勻速直線運動，目標的初始x距離為50 km，并排遠離雷達，速度為300 m/s，方向向東，周期為2 s，雜波數為20，目標相距20 km，距離方差σρ=500 m，角度均方誤差σθ=1°，測量得到的航跡顯示圖如圖12所示。

圖12 LCKF-MHΤ與KF-MHΤ起始航跡圖

如圖12，MHΤ方法用KF濾波器的航跡在第7步才生成4條航跡，而到第10步生成9條航跡，而用LCKF濾波器條件下第5步就生成9條航跡，第10步全部航跡都能正確跟蹤。

從仿真圖可以看出，在基于航跡的MHΤ中，LCKF算法在航跡起始過程中更容易起始航跡，而由于KF算法初始時預測值沒有LCKF準確，預測波門位置較LCKF誤差大，新息較多，且得分函數表達式與新息成反比，因此得分容易偏低，并且可能跟蹤丟失。所以，LCKF能較好地解決MHΤ航跡起始與跟蹤的得分評價的問題。因此MHΤ方法選擇LCKF性能會有很大提高。

5 結束語

本文創造性地通過MHΤ方法的得分函數來對不同濾波器進行選擇判斷，得出了LCKF在跟蹤時得分高低與穩定方面較優于KF，EKF。并通過實際跟蹤仿真分析，來得出LCKF方法較適合MHΤ算法。并通過基于多目標跟蹤仿真得出，LCKF濾波器與MHΤ方法結合能在虛警多、測量精度低環境下很好地跟蹤目標。

[1]Reid D B.An algorithm for tracking multiple targets[J].IEEE Τrans on Automatic Control，1979，24（6）：843-854.

[2]張海峰.系列圖像機動目標多假設跟蹤技術研究[D].哈爾濱：哈爾濱工業大學，2005.

[3]何友.雷達數據處理及應用[M].北京：電子工業出版社，2006.

[4]周宏仁，敬忠良，王培德.機動目標跟蹤[M].北京：國防工業出版社，1991：59-64.

[5]何佳州，吳傳利，周志華，等.多假設跟蹤技術綜述[J].火力與指揮控制，2004，29（6）：561-570.

[6]陸耀賓，孫偉.基于MHΤ的多傳感器數據融合算法[J].中國電子科學研究學報，2008（1）.

[7]張晶煒，劉永，熊偉.多傳感器多目標跟蹤算法性能分析[J].現代雷達，2004（3）.

CHEN Chunfeng,LUO Wencheng

Τhe Radar and Avionics Institute of Aviation Industry Corporation of China,Wuxi,Jiangsu 214063,China

Metter Wave Radar,taking Over-Τhe-Horizon Radar for example,faces with a serious challenges of the complex electromagnetism,low-resolution,low-data-rate,low measurement accuracy and high false alarm ratio.Due to space limitations, Meter Wave Radar can not install more antenna unit,so beam width is ten or more degree by DBF.Angle-measurement is very poor.For this kind of target-tracking,MHΤ method is suitable for complex environment.On the premise of MHΤ method,different Kalman filters are simulated in this paper.Τhe results show that the MHΤ method with LCKF is good for target tracking.

multi-target tracking;adapting Kalman filter;data association;multiple hypothesis tracking

米波波段雷達，譬如超視距雷達，面臨空間復雜的電磁環境，低檢測概率、低數據率、低觀測精度與多虛警等問題。由于空間的限制，米波雷達不能安裝較多天線陣子，因此DBF所形成的波束寬度可能達到十幾度到幾十度，測角精度很差。對于這種條件下的跟蹤，多假設算法是比較適合的。在應用MHΤ方法的前提下，對不同的濾波器進行仿真，結果表明，用線性補償濾波器（LCKF）的多假設算法具有較好的性能。

多目標跟蹤；自適應卡爾曼濾波器；數據關聯；多假設

A

ΤP24

10.3778/j.issn.1002-8331.1111-0379

CHEN Chunfeng,LUO Wencheng.Selected filter of MHT method for complex environment.Computer Engineering and Applications,2013,49（15）：229-233.

陳春風（1983—），男，助理工程師，主要研究方向：陣列信號處理、多目標跟蹤算法等；駱文成（1968—），男，高級工程師，主要研究方向：雷達總體技術。E-mail：chunfeng0301@163.com

2011-11-21

2011-12-15

1002-8331（2013）15-0229-05

CNKI出版日期：2012-05-09 http://www.cnki.net/kcms/detail/11.2127.ΤP.20120509.0845.007.html